Hej Siri:Hvor meget vejer denne galaksehob?

Det er næsten et århundrede siden, at astronomen Fritz Zwicky først beregnede massen af ​​Coma Cluster, en tæt samling af næsten 1.000 galakser placeret i det nærliggende univers. Men at estimere massen af ​​noget så stort og tæt, for ikke at nævne 320 millioner lysår væk, har sin del af problemer - dengang og nu. Zwickys indledende målinger, og de mange, der er foretaget siden, er plaget af fejlkilder, der forspænder massen højere eller lavere.

Nu ved hjælp af værktøjer fra maskinlæring har et team ledet af Carnegie Mellon University-fysikere udviklet en dyb-læringsmetode, der nøjagtigt estimerer massen af ​​Coma Cluster og effektivt afbøder fejlkilderne.

"Folk har lavet massevurderinger af Coma Cluster i mange, mange år. Men ved at vise, at vores maskinlæringsmetoder stemmer overens med disse tidligere masseestimater, opbygger vi tillid til disse nye, meget kraftfulde metoder, der er hotte i felten af kosmologi lige nu," sagde Matthew Ho, en femteårs kandidatstuderende ved Institut for Fysik' McWilliams Center for Kosmologi og medlem af Carnegie Mellons NSF AI Planning Institute for Physics of the Future.

Maskinlæringsmetoder bruges med succes på en række forskellige områder til at finde mønstre i komplekse data, men de har først fået fodfæste i kosmologisk forskning i det sidste årti. For nogle forskere på området kommer disse metoder med en stor bekymring:Da det er svært at forstå den indre funktion af en kompleks maskinlæringsmodel, kan de så have tillid til at gøre det, de er designet til at gøre? Ho og hans kolleger satte sig for at adressere disse forbehold med deres seneste forskning, offentliggjort i Nature Astronomy .

Til at beregne massen af ​​Coma-klyngen brugte Zwicky og andre en dynamisk massemåling, hvor de studerede bevægelsen eller hastigheden af ​​objekter, der kredser i og omkring klyngen og derefter brugte deres forståelse af tyngdekraften til at udlede klyngens masse. Men denne måling er modtagelig for en række fejl. Galaksehobe eksisterer som knudepunkter i et enormt net af stof fordelt over hele universet, og de kolliderer konstant og smelter sammen med hinanden, hvilket forvrænger hastighedsprofilen for de indgående galakser. Og fordi astronomer observerer hoben på stor afstand, er der en masse andre ting imellem, der kan se ud og virke, som om de er en del af galaksehoben, hvilket kan påvirke massemålingen. Nyere forskning har gjort fremskridt i retning af at kvantificere og redegøre for effekten af ​​disse fejl, men maskinlæringsbaserede metoder tilbyder en innovativ datadrevet tilgang, ifølge Ho.

"Vores dybe indlæringsmetode lærer af rigtige data, hvad der er nyttige målinger, og hvad der ikke er," sagde Ho og tilføjede, at deres metode eliminerer fejl fra sammenfaldende galakser (selektionseffekter) og tager højde for forskellige galakseformer (fysiske effekter). "Brugen af ​​disse datadrevne metoder gør vores forudsigelser bedre og automatiserede."

"En af de største mangler ved standard maskinlæringstilgange er, at de normalt giver resultater uden nogen usikkerheder," tilføjede lektor i fysik Hy Trac, Hos rådgiver. "Vores metode inkluderer robuste Bayesianske statistikker, som giver os mulighed for at kvantificere usikkerheden i vores resultater."

Ho og hans kolleger udviklede deres nye metode ved at tilpasse et velkendt maskinlæringsværktøj kaldet et konvolutionelt neuralt netværk, som er en type dyb-læringsalgoritme, der bruges i billedgenkendelse. Forskerne trænede deres model ved at tilføre den data fra kosmologiske simuleringer af universet. Modellen lærte ved at se på de observerbare karakteristika for tusindvis af galaksehobe, hvis masse allerede er kendt. Efter en dybdegående analyse af modellens håndtering af simuleringsdataene, anvendte Ho det til et rigtigt system - Coma Cluster - hvis sande masse ikke kendes. Ho's metode beregnede et masseestimat, der er i overensstemmelse med de fleste af masseestimaterne lavet siden 1980'erne. Dette er første gang, denne specifikke maskinlæringsmetode er blevet anvendt på et observationssystem.

"For at opbygge pålidelighed af maskinlæringsmodeller er det vigtigt at validere modellens forudsigelser på velundersøgte systemer som Coma," sagde Ho. "Vi er i øjeblikket i gang med en mere streng, omfattende kontrol af vores metode. De lovende resultater er et stærkt skridt hen imod at anvende vores metode på nye, ustuderede data."

Modeller som disse vil være kritiske fremadrettet, især når storskala spektroskopiske undersøgelser, såsom Dark Energy Spectroscopic Instrument, Vera C. Rubin Observatory og Euclid, begynder at frigive de enorme mængder data, de indsamler fra himlen .

"Snart vil vi have et dataflow i petabyte-skala," forklarede Ho. "Det er enormt. Det er umuligt for mennesker at analysere det i hånden. Når vi arbejder på at bygge modeller, der kan være robuste estimatorer af ting som masse og samtidig afbøde fejlkilder, er et andet vigtigt aspekt, at de skal være beregningseffektive, hvis vi er vil behandle denne enorme datastrøm fra disse nye undersøgelser. Og det er præcis det, vi forsøger at adressere – ved at bruge maskinlæring til at forbedre vores analyser og gøre dem hurtigere." + Udforsk yderligere

Den største suite af kosmiske simuleringer til AI-træning, gratis at downloade, allerede ansporende opdagelser